Méthodes bioinformatiques pour l'évaluation de la classification du virus du papillome humain
Bibliographic record
Abstract
La classification des centaines de virus du Papillome Humain (VPH) est toujours un enjeu majeur en virologie et revêt une grande importance pour la prévention, le diagnostic et le traitement des maladies associées. Depuis 2003, les VPH sont officiellement répertoriés en trois classes hiérarchiques principales correspondant à des seuils de pourcentage de similarité de leur séquence d'ADN. Avec le nombre croissant de génomes séquencés depuis ce temps, les frontières entre les différentes classes pourraient se chevaucher, n'offrant pas ainsi une classification unique et cohérente. Pour le vérifier, à partir de l'information taxonomique extraite des 560 séquences de VPH obtenues de GenBank du NCBI, une méthode a été développée pour reconstruire un arbre où les feuilles sont les séquences génomiques, et où les nœuds internes correspondent à la hiérarchie des différentes classes. L'arbre est analysé à l'aide de programmes informatiques développés pour vérifier le respect des seuils de similarité. Une nouvelle mesure a aussi été élaborée afin d'évaluer l'étanchéité des différentes classes. Les résultats montrent que les seuils de pourcentages de similarité ne sont pas strictement observés et que les différentes classes se chevauchent. Un autre résultat montre qu'il est possible de générer exactement la classification actuelle en utilisant uniquement un algorithme informatique, ce qui n'est pas l'opinion de certains spécialistes du domaine. Il pourrait régner une confusion entre le procédé de classification et son résultat. Il apparaît que la similarité entre les séquences est bien une caractéristique a posteriori de la classification, et qu'elle ne puisse pas être considérée comme un critère unique de décision permettant de la générer. \n______________________________________________________________________________
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.011 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".